OpenAI 发布 MRC：大模型竞争，拼到数据中心网络了

你以为大模型公司的竞争，还是谁的模型更会写代码、谁的上下文更长、谁的推理更聪明？

OpenAI 这篇工程文章提醒了一件更底层的事：模型能力继续往上堆，瓶颈已经不只在算法，也不只在显卡数量，而是在数据中心网络。

说得更直白一点：

你买到十万张显卡，不等于你拥有十万张显卡的训练能力。

如果网络一抖、链路一堵、交换机一重启，成千上万张图形处理器（GPU）就可能互相等。同步训练最怕的不是平均速度慢，而是某一小段通信突然慢下来。最慢的那一下，会拖住整个训练步。

所以 OpenAI 这次发布的多路径可靠连接（MRC），看起来是一篇“网络工程博客”，实际是在讲一个更大的判断：

大模型竞争，已经打到超级计算网络协议层了。

旧问题：显卡越多，网络越像薄弱环节

前沿模型训练不是一堆显卡各干各的。

训练过程中，图形处理器（GPU）之间要持续同步梯度、参数和中间结果。规模越大，通信越频繁。只要其中一部分传输变慢，其他显卡就会等它。

这就是同步训练的残酷之处：你不是按平均链路速度结账，而是按最慢那部分付费。

传统网络方案的问题有三个。

第一，路径太固定。

很多训练网络会让一次传输沿着一条路径走。这样做的好处是包顺序简单，坏处是大规模集群里很容易撞上热点。某几条链路变成高速路收费站，其他路径却没吃满。

第二，网络层级太多。

OpenAI 在文章里举了一个关键例子：传统 800Gb/s 网络想连接超大规模图形处理器（GPU）集群，可能需要三层甚至四层交换机。层级越多，设备越多，功耗越高，故障点也越多。

第三，动态路由太复杂。

传统交换机会跑边界网关协议（BGP）这类动态路由协议，由交换机自己计算路径、绕开故障。这个模式在普通网络里很成熟，但到了大规模训练网络里，控制面会变得很复杂。出了问题以后，排障也更难。

这不是“网速不够快”的问题。

这是“网络不够可预测”的问题。

AI 训练真正需要的不是某一次峰值跑得漂亮，而是在链路抖动、设备故障、流量拥塞都存在的情况下，仍然能稳定推进训练。

新机制：MRC 不是更快的网线，而是更稳的训练织物

OpenAI 这次和超威半导体（AMD）、博通（Broadcom）、英特尔（Intel）、微软（Microsoft）、英伟达（NVIDIA）一起做的多路径可靠连接（MRC），目标不是简单把带宽做大。

它要解决的是：如何让上十万张图形处理器（GPU）像一台更可靠的大机器一样训练。

第一层变化，是多平面网络（multi-plane network）。

原来一个 800Gb/s 网络接口，容易被理解成一条很粗的高速路。多路径可靠连接（MRC）的做法，是把它拆成多个更小的链路，比如连到 8 台不同交换机，形成 8 个并行网络平面。

这个设计很关键。

OpenAI 说，借助这种方式，可以用两层以太网交换机构建连接超过 100,000 个图形处理器（GPU）的网络。传统方案可能需要三层或四层。

两层意味着什么？

不是架构图少画一层那么简单，而是更少设备、更低功耗、更少故障点，也有更多可绕行路径。

第二层变化，是包喷洒（packet spraying）。

过去一次传输通常沿一条路径走。多路径可靠连接（MRC）不这么干。它会把一次传输拆成数据包，喷洒到数百条路径上，跨多个网络平面同时传输。

这听起来会带来一个麻烦：包乱序到了怎么办？

多路径可靠连接（MRC）的处理方式是，每个包里带着最终内存地址。接收端不需要等所有包按顺序排好队，而是可以按地址把数据放回正确位置。

这一步非常重要。

它把网络从“排队过独木桥”，变成了“多条路同时送货，到了以后按门牌号放好”。

对同步训练来说，这能减少热点链路，降低尾延迟。也就是说，不再让某一条慢路径拖住整个训练步。

第三层变化，是路径状态管理。

多路径可靠连接（MRC）会维护路径状态。如果某条路径拥塞，就换路径。如果发生丢包，它会保守地假设这条路径可能出问题，暂停使用，并重传可能丢失的数据包。同时，它还会用探测包（probe packets）检查路径是不是恢复了。

这比“等网络自己收敛”更主动。

第四层变化，是包修剪（packet trimming）。

交换机遇到目的端拥塞时，传统做法可能是直接丢包。多路径可靠连接（MRC）支持一种更精细的处理：剪掉载荷（payload），保留头部（header）继续转发给目的端。

这样目的端至少知道“这个包来过，但内容没送到”，可以触发明确重传。好处是减少误判：系统不用把所有丢包都当成路径彻底坏了。

第五层变化，是源路由（source routing）。

这是我认为最值得基础设施团队关注的部分。

传统动态路由让交换机自己算路。多路径可靠连接（MRC）基于第六版分段路由（SRv6），让发送端把路径编码进包的目的地址里。交换机只按静态路由表转发，不再承担复杂的动态路径计算。

换句话说，复杂性从交换机控制面，转移到了端侧协议。

如果某条路径坏了，端侧停止使用它。交换机不需要重新算一大堆路由，也不需要等待复杂的控制面收敛。

这就是 OpenAI 想消掉的一类问题：不是把故障变没，而是让故障不再打断训练。

一句人话总结：

显卡负责算，MRC 负责别让显卡互相等。

证据：这不是实验室玩具，已经进了训练集群

这篇文章真正有分量的地方，在于 OpenAI 给了生产证据。

多路径可靠连接（MRC）已经部署在 OpenAI 最大规模的英伟达 GB200 超级计算机中，包括甲骨文云基础设施（Oracle Cloud Infrastructure）在 Texas Abilene 的站点，以及微软 Fairwater 超级计算机。

OpenAI 还说，这套机制已经用于训练多个 OpenAI 模型，相关硬件来自英伟达和博通。

更关键的是故障场景。

OpenAI 观察到，在足够大的训练网络里，链路抖动不是偶发异常，而是常态。文章提到，训练中曾出现零层和一层交换机之间每分钟多次链路抖动（link flap），但多路径可靠连接（MRC）让这些情况对同步预训练任务没有可测量影响。

还有一个更硬的例子。

在一次训练 ChatGPT 和 Codex 前沿模型时，OpenAI 重启了 4 台一层交换机。按过去的经验，这种操作需要非常谨慎地和训练团队协调。使用多路径可靠连接（MRC）以后，不需要协调训练作业团队。

这句话背后的含义很重。

当基础设施足够大时，真正的先进性不是“永不出故障”，而是“故障发生时，业务不需要知道”。

行业判断：OpenAI 不只是在买算力，也在定义算力怎么被使用

很多人看大模型公司，会盯模型榜单、参数规模、上下文长度、编程能力。

这些当然重要。

但 OpenAI 这篇文章说明，头部竞争已经下沉到更难复制的地方：数据中心网络、训练控制面、故障恢复、开放标准。

更值得注意的是，多路径可靠连接（MRC）不是只藏在 OpenAI 内部。OpenAI 通过开放计算项目（OCP）发布规格，明显希望把它推成更广泛的行业基础设施标准。

这件事有两个含义。

第一，OpenAI 不是单纯采购更多图形处理器（GPU）。

它在改造“显卡如何被组织成训练系统”。未来谁能把更多显卡稳定地连成一台超级训练机器，谁才真正拥有更高质量的算力。

第二，AI 基础设施会越来越像云计算早期。

外面看是模型发布，里面拼的是网络、存储、调度、容错、标准化。普通开发者看到的是接口，基础设施团队看到的是一整套工程体系。

这也是为什么我认为，这篇文章不只是网络工程师该看。

做架构、做运维、做平台、做 AI 应用的人都该看。

因为它提醒我们：当模型能力继续扩大，真正决定上限的，往往不是某个单点能力，而是整套系统能不能稳定协同。

未来的 AI 公司，先是模型公司，最后都会变成超级基础设施公司。

你如果只想看热闹，就看下一次模型发布。

你如果想看门道，就要看这种文章：它告诉你，大模型真正的护城河，正在从模型页面一路沉到机房交换机里。

原文链接： https://openai.com/index/mrc-supercomputer-networking/

配图用途索引

1. 对比传统训练网络中的单路径拥塞、尾延迟和交换机故障对同步训练的影响。
2. 展示多路径可靠连接（MRC）的多平面网络、包喷洒、源路由和故障绕行机制。